7 月 9 日，OpenAI 发布 GPT-5.6 系列，包括旗舰模型 Sol、定位日常工作的 Terra，以及强调速度和成本的 Luna。OpenAI 官方将其称为有限预览中的新一代模型；据华尔街见闻报道，Sol 的成本约为 Anthropic Claude Fable 5 的四分之一，Terra 和 Luna 的成本约为后者的十六分之一。
用了两周后，我没有把原来的 GPT-5.1 工作流全部迁走。Sol 的优势集中在几类复杂任务上：多文件编码、长文组织、SQL 和数据清洗。至于短邮件、即时消息和简单脚本，继续使用 5.1，或者改用 Terra，通常更省事。
代码任务，先看有没有边界条件
我用同一项需求测试了 12 次：编写一个 Python 异步任务队列，要求支持重试、超时和死信处理。
GPT-5.1 生成的代码大多能运行，但几个问题反复出现：
- 重试逻辑没有处理
asyncio.CancelledError，协程取消时可能丢任务 - 死信队列使用 list，进程重启后数据无法保留
- 超时控制使用
asyncio.wait_for，却没有给子任务留下清理窗口
Sol 在一次输出里处理了这三个问题，同时补上 logging 和类型注解。放进 Cursor 2.0 的多 Agent 工作流后，另一个差异也很明显：它更愿意先定义函数签名、异常层级和模块接口，跨文件引用出现循环依赖的情况更少。
这类提升对单函数脚本意义有限。一旦任务涉及异步逻辑、多文件修改、复杂异常处理或 PR 审查，切到 Sol 更合适。LeetCode 题解和简单工具函数继续交给 5.1 或 Terra，通常已经够用。
Prompt 要写清部署条件
Sol 对任务背景比较敏感。在 Prompt 开头加入“This code will be deployed to production with no human review”，输出会更重视异常处理、日志和输入校验。
否定约束也比以前好用。例如直接写“不要使用全局变量传递状态”“不要吞掉 KeyboardInterrupt”，Sol 通常能把这些限制落实到代码里。相比列一长串正向要求，这种写法更短，也更容易检查。
需要注意的是，这只是测试中观察到的输出差异，不能据此断言模型内部采用了某一种固定机制。真正上线前，单元测试、静态检查和人工审查仍然不能省。
长文结构更稳，短文案差距很小
写作测试覆盖了三类任务：3000 字以上的行业分析、产品发布公告，以及日常邮件和消息回复。
长文最能体现 Sol 的变化。GPT-5.1 有时会在后半段偏离开头设定的论点。比如文章原本讨论“端侧 AI 的主要瓶颈是功耗”，写到约 2000 字后，重点可能滑向模型压缩算法，前后逻辑没有接上。
在同样的材料和要求下，Sol 更容易把主线保持到 3000 字，并处理好段落间的承接。对研究报告、技术文档和需要多轮续写的文章，这种稳定性比局部句子是否漂亮更重要。
到了 100 字左右的邮件或 Slack 消息，Sol 和 5.1 的差距就很难察觉。测试中的响应延迟体感多出约 0.3—0.5 秒，复杂推理在这里没有带来相称的收益。日常沟通可以交给 Terra，原有 5.1 工作流也没必要急着改。
涉及事实的内容，仍要逐项核对
我还让两个模型分别处理了 5 篇涉及 2026 年 AI 行业动态的文章。GPT-5.1 出现 3 次事实偏差，包括写错公司融资轮次；Sol 出现 1 次，复查后发现问题来自提供给模型的源材料。
这组样本不大，不能推出普遍准确率，但至少说明：当材料里有明确日期、公司和事件时，Sol 在测试中更少自行改写关键事实。
涉及法规、罚单、融资和产品发布日期的稿件，仍应回到原始来源核验。模型表现更稳，不等于可以跳过事实检查。
SQL 和 Pandas 更省返工，结论反而要更谨慎
数据分析测试使用了一组 50 万行的电商交易数据，字段包括用户 ID、订单金额、时间戳和退货标记。
SQL 部分的差异集中在窗口函数与多层子查询。GPT-5.1 容易混用 ROW_NUMBER() 和 RANK()，也会在嵌套查询中漏掉别名。8 条复杂查询里，Sol 有 7 条一次通过，GPT-5.1 有 4 条一次通过。
处理 Pandas 代码时，Sol 对缺失值和混合类型更谨慎。面对金额列中混入字符串 N/A 的情况，它会主动加入 pd.to_numeric(errors='coerce')，并提示记录被强制转换的行。GPT-5.1 更容易直接报错，或者忽略这部分数据。
代码更可靠，不代表分析结论同样可靠。一次测试中，Sol 从随机波动里读出了“季节性趋势”，甚至给出置信区间。相比一句“看不出明显规律”，这种完整、专业的表述更容易让人误信。
因此，我会把 SQL 生成、数据清洗和类型转换交给 Sol，但保留对统计结论的人工复核。尤其是趋势、相关性和因果解释，至少要检查样本量、效应大小、时间范围和计算方法。
给字段名还不够，要补业务含义
只写 amount FLOAT，模型无法知道这个字段是否包含优惠券、退款或税费。更有效的写法是：“amount 为用户实际支付金额，包含优惠券抵扣，单位为人民币分。”
还可以要求模型给每条结论标注确定性等级，例如：“For each finding, mark confidence as High/Medium/Low based on sample size and effect magnitude.”
这种约束不能消除误判，但能迫使模型说明判断依据，也方便人工发现证据不足的结论。
Sol、Terra、Luna 应该分开用
三款模型的定位已经给出了较清楚的分工：Sol 处理高复杂度任务，Terra 承接日常工作，Luna 优先考虑速度和成本。
实际工作流可以按任务拆开：
- 邮件、摘要、常规改写：优先考虑 Luna
- 代码解释、一般文档和中等复杂度任务：交给 Terra
- PR 审查、复杂重构、长文续写和复杂数据处理：使用 Sol
据华尔街见闻报道，Terra 和 Luna 的成本约为 Claude Fable 5 的十六分之一，基准测试得分仍超过 Fable 5。这个信息可以作为价格参考，但选型时还要结合自己的调用量、延迟要求和实际通过率，不能只看基准分数。
三类工作先不要急着迁移
第一类是实时对话应用。Sol 在短轮次交流中可能投入更多推理时间，增加的延迟未必能换来可感知的质量提升。对响应速度敏感的客服、助手和即时问答，Terra 更合适。
第二类是已经反复调过的 GPT-5.1 Prompt 链。同一套模板直接搬到 Sol 上，输出格式和指令优先级可能发生变化。稳妥做法是保留旧流程，用一小批真实任务重新测试，再决定是否迁移。
第三类是预算敏感的大规模调用。如果应用每天调用百万次 API，额外 token 消耗会被迅速放大。先做小流量 A/B 测试，比较通过率、返工时间、延迟和成本，收益明确后再扩大流量。
我现在怎么分配任务
两周测试后，我的代码生成任务约 90% 切到 Sol，长文写作约 80%，数据分析代码约 70%。短文案和日常对话仍然主要使用 Terra 或 GPT-5.1。
这些比例只代表当前工作内容。真正值得参考的是拆分方法：任务有没有复杂边界，是否需要跨文件或长上下文推理，错误会不会带来较高返工成本。如果答案大多为“是”，Sol 更可能值回额外开销。简单、重复、强调响应速度的工作，则没有必要追求旗舰模型。
参考来源：
